論老黃賣鏟子的技術含量。
2019 年 2 月，OpenAI 釋出了 GPT-2，因為在文字生成上的優異表現，以及對於預訓練 Transformer 架構的充分運用，被認為是如今大預言模型的「始祖」。
五年後的今天，訓練 GPT-2 這樣 15 億引數的大模型，只需要花費 672 美元，在一個 8XH100 的 GPU 節點上跑 24 個小時就可以搞定了。
本週四，前特斯拉 Autopilot 負責人、OpenAI 科學家 Andrej Karpathy 在他純 C 語言復現 GPT-2 大模型的專案「llm.c」的最新進展中分享了他的訓練心得：
令人難以置信的是，由於計算硬體（英偉達 H100 GPU）、軟體（CUDA、cuBLAS、cuDNN、FlashAttention 等）和資料質量（例如 FineWeb-Edu 資料集）的改進，過去 5 年間，大語言模型的訓練成本大幅下降。Karpathy 表示，對於此次實踐，演算法遵循 GPT-2/3 論文基本保持原樣不變。
當年 OpenAI 訓練 GPT-2 花費了多少錢？這是個至今仍然未知的數字。Karpathy 粗略地估算認為是這回成本的 100 倍，大概要到 10 萬美元的量級。
基本相同的任務，執行效率卻有天壤之別，這體現了近幾年來 AI 領域和算力基礎設施的飛速發展。
由於 llm.c 是在 C/CUDA 中 GPT 訓練的直接實現，因此要求其實很少 —— 不需要 conda 環境、Python 直譯器、pip 安裝等。如果你也要嘗試，可以啟動雲 GPU 節點（例如在 Lambda 上），可選擇安裝 NVIDIA cuDNN、NCCL/MPI，下載 .bin 資料分片，編譯並執行，幾分鐘後即可開始。
然後，你就可以等待 24 小時，然後欣賞通用大語言模型的能力了。
「對於 llm.c 專案來說，這是一個非常好的節點。因為整個專案都是從我考慮為教育影片重現 GPT-2 開始的。我遇到一些 PyTorch 的東西時卡住了，然後憤怒地退出，再用 C/CUDA 從頭開始編寫整個專案，」Karpathy 表示。「這讓我踏上了比預想更長的旅程。但它非常有趣，我學到了更多的 CUDA，一路上結交了朋友，現在的 llm.c 真的很棒。它有大約 5000 行程式碼，編譯和步驟非常快，幾乎不需要等待。它具有恆定的記憶體佔用，它以混合精度進行訓練，使用 NNCL 分佈在多節點上。它是按位確定性的，並且徘徊在 MFU 的 50% 左右。所以它很 ok。」
對於 llm.c 專案而言，越做似乎挖得坑越大。Andrej Karpathy 對目前的執行結果仍然不是 100% 滿意 —— 他認為評估應該更好，訓練應該更穩定，尤其是在較長時間執行的較大模型尺寸下。
他還預告了一些有趣的新方向：fp8（即將推出）、推理、微調、多模態（VQVAE 等）、更現代的架構（Llama/Gemma）。llm.c 的目標仍然是為功能齊全的 LLM 智慧體提供簡單、最小、乾淨的訓練堆疊，直接使用 C/CUDA，幷包含配套的教育材料，可以讓許多初學者快速瞭解這個令人敬畏的領域。
說完了這麼多，該看看 24 小時訓練 GPT-2 的成果了：Karpathy 使用更長的 400B token GPT-2 執行（從 33B token 增加），效果良好，直到 330B（達到 61% HellaSwag，遠高於這個大小的 GPT-2 和 GPT-3），然後在這個圖之後不久爆炸了。目前作者還在繼續進行研究。
接下來看詳細專案介紹。
GitHub 地址：https://github.com/karpathy/llm.c/discussions/677
訓練。使用 llm.c 訓練 GPT-2 非常簡單，因為它是用 C/CUDA 編寫的，因此不需要 minconda、Python、PyTorch 等。你只需一個 8XH100 GPU box，Karpathy 建議從 Lambda Labs 購買一個。
不過 llm.c 在計算上很靈活，如果你只有 1 個 GPU，仍然可以訓得 GPT-2，這時你需要等待 8 天而不是 1 天。如果你有 16 個 GPU（例如使用新的 Lambda 1 Click Clusters），則能夠訓練多節點，這時只需等待 12 小時。啟動節點後，以下是訓練 GPT-2 的完整說明：
# install cudnn so we can use FlashAttention and run fast (optional)
# https://developer.nvidia.com/cudnn-downloads
# for me, CUDA 12 (run `nvcc --version`) running on Linux x86_64 Ubuntu 22.04
wget https://developer.download.nvidia.com/compute/cuda/repos/ubuntu2204/x86_64/cuda-keyring_1.1-1_all.deb
sudo dpkg -i cuda-keyring_1.1-1_all.deb
sudo apt-get update
sudo apt-get -y install libcudnn9-dev-cuda-12
# "install" cudnn-frontend to ~/
git clone https://github.com/NVIDIA/cudnn-frontend.git
# install MPI (optional, if you intend to use multiple GPUs)
# (you might also have to install NVIDIA NCCL if it doesn't come with your setup)
sudo apt -y install openmpi-bin openmpi-doc libopenmpi-dev
# download and enter llm.c repo
git clone https://github.com/karpathy/llm.c.gitcd llm.c
# download the "starter pack" (~1GB download)
# contains GPT2-124M weights (used in tests), tokenizer, eval data .bin s
./dev/download_starter_pack.sh
# download the training dataset (FineWeb-Edu 100B token) .bin data shards
# note: this is a total of 1001 data shards. If you only want to test things
# out and don't want to do an actual run, feel free to append the number of
# training shards to download (e.g. for just 10 shards: ./edu_fineweb.sh 10)
# the full dataset is ~200GB, we can store it here in dev/data directory.
cd dev/data
./edu_fineweb.sh
# compile (~1 min 1st time for cuDNN mostly, few sec from then on)
cd ../../
make train_gpt2cu USE_CUDNN=1
# and train! (wait 24 hours here)
mpirun -np 8 ./train_gpt2cu \
-i "dev/data/edu_fineweb100B/edu_fineweb_train_*.bin" \
-j "dev/data/edu_fineweb100B/edu_fineweb_val_*.bin" \
-o "log_gpt2_1558M" \
-v 250 -s 300000 -g 384 \
-h 1 \
-b 16 -t 1024 \
-d 1048576 \
-r 0 \
-z 1 \
-c 0.1 \
-k "cosine" \
-l 0.0006 \
-q 0.1 \
-u 700 \
-n 2000 \
-x 32000 \
-ge 1 \
-y 1 \
-e "d48"
開始最佳化：
num_parameters: 1557686400 => bytes: 3115372800
allocated 2971 MiB for model parameters
batch_size B=16 * seq_len T=1024 * num_processes=8 and total_batch_size=1048576
=> setting grad_accum_steps=8
created directory: log_gpt2_1558M
allocating 40409 MiB for activations
val loss 11.129390
allocating 2971 MiB for parameter gradients
allocating 742 MiB for AdamW optimizer state m
allocating 742 MiB for AdamW optimizer state v
allocating 742 MiB for master copy of params
step 1/32000 | loss 11.133732 (+nanz)| norm 52.9732 (+nanz)| lr 8.57e-07 | 3056.36 ms | 42.6% bf16 MFU | 343080 tok/s
step 2/32000 | loss 10.539388 (+nanz)| norm 43.5996 (+nanz)| lr 1.71e-06 | 2747.19 ms | 47.4% bf16 MFU | 381690 tok/s
step 3/32000 | loss 9.894109 (+nanz)| norm 23.2229 (+nanz)| lr 2.57e-06 | 2753.25 ms | 47.3% bf16 MFU | 381259 tok/s
step 4/32000 | loss 9.566241 (+nanz)| norm 28.4920 (+nanz)| lr 3.43e-06 | 2741.47 ms | 47.5% bf16 MFU | 381690 tok/s
step 5/32000 | loss 9.482848 (+nanz)| norm 23.7817 (+nanz)| lr 4.29e-06 | 2752.07 ms | 47.3% bf16 MFU | 381507 tok/s
step 6/32000 | loss 9.332832 (+nanz)| norm 15.9113 (+nanz)| lr 5.14e-06 | 2751.01 ms | 47.3% bf16 MFU | 381431 tok/s
step 7/32000 | loss 9.165650 (+nanz)| norm 10.5941 (+nanz)| lr 6.00e-06 | 2753.03 ms | 47.3% bf16 MFU | 381327 tok/s
step 8/32000 | loss 9.132234 (+nanz)| norm 16.2733 (+nanz)| lr 6.86e-06 | 2748.91 ms | 47.3% bf16 MFU | 381348 tok/s
step 9/32000 | loss 9.097384 (+nanz)| norm 12.1342 (+nanz)| lr 7.71e-06 | 2748.73 ms | 47.3% bf16 MFU | 381367 tok/s
step 10/32000 | loss 9.072879 (+nanz)| norm 10.5923 (+nanz)| lr 8.57e-06 | 2749.40 ms | 47.3% bf16 MFU | 381369 tok/s
...
每一步大約需要 2.75 秒，共有 32000 步，所以現在我們等待 24 小時左右。在每一步中，訓練執行都會佔用約 100 萬個 FineWeb-EDU token（這些來自網際網路的教育網頁），並更新模型的 15.58 億個權重，使其能夠更好地預測序列中的下一個 token。最後將總共處理 32000 * 1048576 = 33.6B 個 token。隨著更好地預測下一個 token，損失會下降。範數將穩定在 0.1-1 左右，學習率在前面幾步預熱。模型 flops 利用率 (MFU) 約為 50%，非常高效。
等待 24 小時後，就可以使用 dev/vislog.ipynb jupyter 筆記本視覺化 main.log 日誌檔案。為此，你還需要安裝 Python 和 matplotlib。
引數指南。OpenAI 釋出的 GPT-2 包含模型權重，但細節很少；而 GPT-3 版本沒有權重，但細節很多。因此，在許多情況下，我們遵循 GPT-3 論文超引數，因為 GPT-2 論文的資訊非常少。具體參見原專案。
記憶體指南。大多數人可能面臨的最大限制是他們的 GPU 沒有 80GB。沒關係，你仍然可以執行上面的所有內容，只是執行速度會更慢。因此如果模型不適配，你會怎麼做？最重要的是微批大小 - b。嘗試減小它，但將其保持在合適的數字，例如 16 → 8 → 4 → 2 → 1。從那裡開始，嘗試使用重計算設定 -r，即 0（最快且有大量記憶體）、1（稍微慢一點，但節省大量記憶體）或 2（稍微慢一點，節省較少記憶體）。
你可以做的下一件事是禁用 fp32 中的主權重，可以使用 - w 0 （預設值 1）來執行此操作。我們不會維護 fp32 引數副本。根據經驗，在之前的幾次執行中，這似乎沒問題，可能是因為使用了隨機舍入。如果還不適合，則可以嘗試使用 -t 來減少最大序列長度，預設值為 1024，你可以將其降低到 512、256 等。但現在你會讓模型變得更糟，因為它的最大注意力跨度正在減少。
程式碼。Karpathy 對 llm.c 略有偏愛，認為它非常漂亮：
它只需要基本的 CUDA 依賴項即可執行。
它是 C/CUDA 中直接、最小且易讀的實現。llm.c 共有約 5,000 行 C/CUDA 程式碼。這裡嘗試主要使用 C，而不是 C++，以保持簡單。神經網路訓練只是對單個浮點陣列進行相同的簡單算術運算（如 +、-、、/）的一個 while 迴圈，它實際上不應該那麼複雜。
它編譯和執行非常快（幾秒鐘），因此可以進行更多步進和更短等待。
它在開始時一次性分配其所有 GPU 記憶體，從那時起在訓練期間具有完全恆定的記憶體佔用。因此，一旦開始步進，就可以在剩餘的執行中表現良好並且不會記憶體用完（OOM）。
它是按位（bitwise）確定的。
它非常高效，略低於～50% 的 MFU。
主要入口點和大部分程式碼位於檔案 train_gpt2.cu 中。它包含 GPT-2 模型定義和約 2,000 LOC 的訓練 loop，並從 llmc 目錄匯入了一堆帶有各種實用程式和各個層實現的輔助檔案。最後 cloc llmc 報告了 23 個檔案、3170 LOC，而 cloc train_gpt2.cu 目前是 1353 LOC。
多節點訓練。如果你擁有大量 GPU，並且 llm.c 支援多節點訓練，則不用考慮太多了。Karpathy 見過訓練 llm.c 時最多使用了約 500 個 GPU，他自己迄今為止進行的最大規模執行是在 Lambda 的全新一鍵叢集功能上進行的，在 2 個節點中共使用了 16XH100 GPU。
同時 lambda 團隊提供了有關如何在其一鍵叢集上訓練 llm.c 模型的詳細說明。例如使用 512-GPU H100 叢集，每小時花費 2,300 美元，你或許能夠在約 30 分鐘內訓練 GPT-2。你必須增加總批次大小（例如增加至約 8M），或許還得微調超引數。Karpathy 還沒有嘗試過，但它可能有效，而且會非常酷。
與 PyTorch 比較。Karpathy 認為在 PyTorch 中相當的執行看起來像這樣，使用並行 PyTorch 實現：
torchrun --standalone --nproc_per_node=8 train_gpt2.py \
--input_bin "dev/data/edu_fineweb100B/edu_fineweb_train_*.bin" \
--input_val_bin "dev/data/edu_fineweb100B/edu_fineweb_val_*.bin" \
--write_tensors 0 \
--model d48 \
--batch_size 8 --sequence_length 1024 --total_batch_size 1048576 \
--dtype bfloat16 \
--compile 1 \
--tensorcores 1 \
--flash 1 \
--num_iterations 32000 \
--warmup_iters 700 \
--weight_decay 0.1 \
--overfit_single_batch 0 \
--learning_rate 0.0006 \
--zero_stage 1PyTorch 程式碼僅供測試參考，而非實際實現，因此訓練 loop 在某些地方會略有不同（例如資料載入器不會對分片進行置換等），但這仍可能作為參考點有用。這裡還將預設詞彙大小修改為 50257 → 50304 以提高效率，然後當前的 PyTorch 夜間給出：
step 16/32000 | train loss 8.903997 | norm 8.3474 | lr 1.37e-05 | (3381.88 ms | 310057 tok/s)
step 17/32000 | train loss 8.870140 | norm 3.7936 | lr 1.46e-05 | (3381.95 ms | 310051 tok/s)
step 18/32000 | train loss 8.875732 | norm 9.4993 | lr 1.54e-05 | (3393.09 ms | 309033 tok/s)
step 19/32000 | train loss 8.817432 | norm 2.8345 | lr 1.63e-05 | (3379.75 ms | 310253 tok/s)
step 20/32000 | train loss 8.798056 | norm 4.1234 | lr 1.71e-05 | (3386.53 ms | 309631 tok/s)
step 21/32000 | train loss 8.777574 | norm 2.8010 | lr 1.80e-05 | (3386.05 ms | 309675 tok/s)
...
現在不能說完全有信心 PyTorch 指令碼已得到最大程度的調整，但可以得到以下觀察結果。
PyTorch 似乎佔用了更多記憶體（此次執行約為 80GB），而 llm.c 佔用了 57GB（減少了 29%）。記憶體很重要，因為它允許增加批處理大小（例如 llm.c 在此處最多可以增加到 24 個微批處理），這樣速度會更快一些。
其次，每次迭代大約為 3386 毫秒，而非 2750 毫秒，因此 llm.c 的速度提高了約 19%。這裡的一些收益是已知的，例如 llm.c 包括啟動反向傳遞的融合分類器等最佳化，這是 torch.compile 目前無法做到的。
但是也可能存在一種情況，這個指令碼沒有完全進行最大程度的調整。這裡不做贅述。
最終模型。以下幾個連結可能對其他人有幫助：
main.log 檔案（http://llmc.s3-us-west-2.amazonaws.com/gpt2_1558M/main.log）
model_00032000.bin llm.c bin 模型檔案（http://llmc.s3-us-west-2.amazonaws.com/gpt2_1558M/model_00032000.bin）
轉換為 huggingface transformers GPT-2 模型（https://huggingface.co/karpathy/gpt2_1558M_final2_hf）
模型匯出。模型匯出可以按如下方式進行：
python dev/eval/export_hf.py --input log_gpt2_128M/model_00032000.bin --output gpt2_1558M_export
然後就可以執行 Eleuther 評估工具，或者執行 huggingface 取樣 pipeline 來獲取模型樣本：
# take model for spin
import torch
output = "./gpt2_1558M_final2_hf"
# set pytorch seeds
torch.manual_seed(42)torch.cuda.manual_seed(42)
prompt = "In a shocking finding, scientist discovered a herd of unicorns living in a remote, previously unexplored valley, in the Andes Mountains. Even more surprising to the researchers was the fact that the unicorns spoke perfect English."
from transformers import AutoModelForCausalLM, AutoTokenizer
tokenizer = AutoTokenizer.from_pretrained(output)model = AutoModelForCausalLM.from_pretrained(output, attn_implementation="flash_attention_2", torch_dtype=torch.bfloat16, device_map='cuda')model.eval()tokens = tokenizer.encode(prompt, return_tensors="pt")tokens = tokens.to('cuda')
output = model.generate(tokens, max_new_tokens=500, pad_token_id=tokenizer.eos_token_id, do_sample=True, top_k=50, num_return_sequences=4)samples = tokenizer.batch_decode(output)for sample in samples:
print('-'*30)
print(sample)
你還可以檢視 dev/eval，以獲取有關如何執行 Eleuther Evaluation Harness、以及 HuggingFace Open LLM 排行榜評估等說明。
400B token 執行。Karpathy 還嘗試將訓練 GPT-2 的時間遠超過 33B token，特別是將 -x 更改為 400,000 以訓練 420B token（甚至比使用 300B token 訓練的 GPT-3 還要多）。這個模型執行看起來很棒，直到大約 330,000 步：
最終，模型在 HellaSwag 上大大超越了同等大小的 GPT-2 和 GPT-3（最高可達約 61%），但遺憾的是，從那時起它就變得不穩定了。在此過程中，還有更多較小的峰值，但程式碼配置為檢測更簡單的瞬時不穩定性並跳過更新（Karpathy 使用了標誌 sl 5.0 -sg 5.0），這有助於緩解和推遲問題。但是，他認為對初始化、啟用範圍和整體模型訓練穩定性還不夠謹慎，並存在更深層次問題，這些問題會逐漸使模型陷入不穩定狀態，較大模型和長時間訓練更是如此。
參考內容：
https://x.com/karpathy/status/1811467135279104217